論文の概要: A Survey on Distributed Evolutionary Computation
- arxiv url: http://arxiv.org/abs/2304.05811v1
- Date: Wed, 12 Apr 2023 12:39:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 15:11:42.171653
- Title: A Survey on Distributed Evolutionary Computation
- Title（参考訳）: 分散進化計算に関する一考察
- Authors: Wei-Neng Chen, Feng-Feng Wei, Tian-Fang Zhao, Kay Chen Tan and Jun
Zhang
- Abstract要約: 並列および分散コンピューティングシステムに進化計算(EC)を実装するのは自然である。
データは分散的に収集され、処理され、ECに新たな開発方向と新たな課題をもたらす。
本稿では、分散EC(DEC)の体系的なレビューを行い、分散、分散、客観的な分散最適化問題に分類する。
- 参考スコア（独自算出の注目度）: 15.416547423369478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of parallel and distributed computing paradigms has
brought about great revolution in computing. Thanks to the intrinsic
parallelism of evolutionary computation (EC), it is natural to implement EC on
parallel and distributed computing systems. On the one hand, the computing
power provided by parallel computing systems can significantly improve the
efficiency and scalability of EC. On the other hand, data are collected and
processed in a distributed manner, which brings a novel development direction
and new challenges to EC. In this paper, we intend to give a systematic review
on distributed EC (DEC). First, a new taxonomy for DEC is proposed from top
design mechanism to bottom implementation mechanism. Based on this taxonomy,
existing studies on DEC are reviewed in terms of purpose, parallel structure of
the algorithm, parallel model for implementation, and the implementation
environment. Second, we clarify two major purposes of DEC, i.e., improving
efficiency through parallel processing for centralized optimization and
cooperating distributed individuals/sub-populations with partial information to
perform distributed optimization. Third, noting that the latter purpose of DEC
is an emerging and attractive trend for EC with the booming of spatially
distributed paradigms, this paper gives a systematic definition of the
distributed optimization and classifies it into dimension distributed-, data
distributed-, and objective distributed-optimization problems. Formal
formulations for these problems are provided and various DEC studies on these
problems are reviewed. We also discuss challenges and potential research
directions, aiming to enlighten the design of DEC and pave the way for future
developments.
- Abstract（参考訳）: 並列および分散コンピューティングパラダイムの急速な発展は、コンピューティングに大きな革命をもたらした。
進化計算(EC)の本質的な並列性のおかげで、並列および分散コンピューティングシステムにECを実装するのは自然である。
一方、並列コンピューティングシステムが提供する計算能力は、ECの効率性とスケーラビリティを著しく向上させることができる。
一方、データは分散的に収集され、処理されるので、ECに新たな開発方向と新たな課題をもたらします。
本稿では,分散ec (distributed ec,dec) に関する体系的レビューを行う。
まず,decの新しい分類法をトップ設計機構からボトム実装機構へ提案する。
この分類法に基づき、DECに関する既存の研究は、目的、アルゴリズムの並列構造、実装のための並列モデル、実装環境の観点からレビューする。
第2に,decの2つの主な目的,すなわち分散最適化のための並列処理による効率の向上と,分散された個人/サブ集団と部分的情報との協調による分散最適化を実現することを明らかにする。
第3に,dec の目的が空間的分散パラダイムのブームに伴う ec の新興かつ魅力的なトレンドであることに注目しながら,分散最適化を体系的に定義し,それを次元分散,データ分散,客観的分散最適化問題に分類する。
これらの問題の形式的定式化が提供され、これらの問題に関する様々なdec研究が検討されている。
また、DECの設計を啓蒙し、今後の発展への道を開くことを目指して、課題や研究の方向性についても論じる。
関連論文リスト
- Borrowing Strength in Distributionally Robust Optimization via Hierarchical Dirichlet Processes [35.53901341372684]
提案手法は正規化推定,分布的ロバストな最適化,階層ベイズモデリングを統一する。
階層的ディリクレプロセス(HDP)を用いることで、マルチソースデータを効果的に処理する。
数値実験により,予測精度とパラメータ推定精度の両方の改善と安定化におけるフレームワークの有効性が検証された。
論文 参考訳（メタデータ） (2024-05-21T19:03:09Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Distributed Linear Regression with Compositional Covariates [5.085889377571319]
大規模合成データにおける分散スパースペナル化線形ログコントラストモデルに着目する。
2つの異なる制約凸最適化問題を解くために2つの分散最適化手法を提案する。
分散化されたトポロジでは、通信効率の高い正規化推定値を得るための分散座標ワイド降下アルゴリズムを導入する。
論文 参考訳（メタデータ） (2023-10-21T11:09:37Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Asynchronous Distributed Reinforcement Learning for LQR Control via Zeroth-Order Block Coordinate Descent [7.6860514640178]
分散強化学習のための新しいゼロ階最適化アルゴリズムを提案する。
これにより、各エージェントはコンセンサスプロトコルを使わずに、コスト評価を独立してローカル勾配を推定できる。
論文 参考訳（メタデータ） (2021-07-26T18:11:07Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z) - Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。
我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。
また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
論文 参考訳（メタデータ） (2020-02-16T09:01:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。